当前位置：首页 > article >正文

AI编辑器-Trae 玩转AI 编程

article 2025/3/30 16:01:13

参考

掘金社区地址

Trae下载地址

管理插件

Trae 从入门到实践:AI 编码的妙笔生花

掘金社区

掘金社区简介

掘金是面向全球中文开发者的技术内容分享与交流平台。我们通过技术文章、沸点、课程、直播等产品和服务,打造一个激发开发者创作灵感,激励开发者沉淀分享,陪伴开发者成长的综合类技术社区

登录注册掘金社区

首先打开掘金社区官网
掘金社区地址
如果没有注册的，可以注册下
已经注册的，就直接登录

安装与配置Trae编辑器

在这里插入图片描述

下载安装

下载地址
https://juejin.cn/trae-x-2025?inviteCode=VaemRzHyjEw6tooWbZad7PUS3gY8U2pf&utm_campaign=liebian_invite

下载编辑器，然后单击安装下一步

在这里插入图片描述

配置Trae

安装完成后

出现如下页面

单击开始
选择语言和主题。单击继续
是否需要从VSCode中导入，我这里没有导入，建议导入。我这里单击跳过

安装trae命令，安装完成，进入登录页面

单击登录，弹出浏览器页面，进入登陆页面，这里点击稀土掘金登录，使用掘金账号
授权使用掘金社区账号

单击同意

单击授权并登录

单击登录并打开Trae即可完成登录操作

如果没有登录的，也可以在Trae编辑器的右上角位置单击登录

安装插件

作为一个基于vscode开发的AI IDE，插件是必备的，具体可以参考如下：
管理插件

Trae 从入门到实践:AI 编码的妙笔生花

手动安装

首先打开插件市场,输入插件名称，然后安装即可

一键导入VSCode插件超级实用

一键从vscode中导入配置

然后出现导入的过程，这个超级实用

等待片刻

使用Trae进行编码

开发一个贝叶斯算法的案例

输入如下问题

写一个基于sklearn的贝叶斯算法的案例，适合计算机专业大三同学学习的，要求包括导入依赖，数据集加载，拆分数据集，数据集探索，数据集处理，实例化三种贝叶斯算法，并分别基于三种贝叶斯算法完成模型训练，模型验证，模型评估，模型预测，模型保存，模型加载。

输出如下：

单击创建一个新文件，代码如下

# 导入依赖
import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB
from sklearn.metrics import accuracy_score, classification_report
import joblib

# 数据集加载
iris = datasets.load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 数据集探索
print("数据集基本信息：")
print("特征数量：", X.shape[1])
print("样本数量：", X.shape[0])
print("类别数量：", len(np.unique(y)))

# 数据集处理
# 由于鸢尾花数据集是数值型数据，且无缺失值，这里无需额外处理

# 实例化三种贝叶斯算法
gnb = GaussianNB()
mnb = MultinomialNB()
bnb = BernoulliNB()

# 定义一个函数来完成模型训练、验证、评估、预测、保存和加载
def train_and_evaluate(model, model_name):
    # 模型训练
    model.fit(X_train, y_train)

    # 模型验证
    y_pred = model.predict(X_test)

    # 模型评估
    accuracy = accuracy_score(y_test, y_pred)
    print(f"{model_name} 准确率: {accuracy:.2f}")
    print(f"{model_name} 分类报告:")
    print(classification_report(y_test, y_pred))

    # 模型预测
    sample = X_test[:5]
    predictions = model.predict(sample)
    print(f"{model_name} 对前5个样本的预测结果: {predictions}")

    # 模型保存
    joblib.dump(model, f'{model_name}_model.pkl')

    # 模型加载
    loaded_model = joblib.load(f'{model_name}_model.pkl')
    new_predictions = loaded_model.predict(sample)
    print(f"{model_name} 加载模型后对前5个样本的预测结果: {new_predictions}")

# 分别基于三种贝叶斯算法完成上述操作
train_and_evaluate(gnb, "高斯朴素贝叶斯")
train_and_evaluate(mnb, "多项式朴素贝叶斯")
train_and_evaluate(bnb, "伯努利朴素贝叶斯")